---
title: "Votre titre"
author: "Votre nom"
date: "La date du jour"
output: html_document
---


```{r setup, include=FALSE}
knitr::opts_chunk$set(echo = TRUE)
```

###On commence par récupérer les données sur le site de la veille sanitaire

```{r}
data_url = "https://www.sentiweb.fr/datasets/incidence-PAY-7.csv"
```

#Ensuite on importe les données, on le note "temp" car temporaire, le définitif étant le fichier local
```{r}
datatemp <- read.csv(data_url)
```

#On constate que la fonction read.csv ne fonctionne pas bien dans ce cas
```{r}
datatemp <- read.csv(data_url, skip = 1)
```
# C'est mieux avec l'argument skip !!

## On en fait ensuite une copie locale qu'on va ré-importer ensuite
# copie locale
```{r}
write.csv(datatemp, "datatemp.csv")
```
#ré-import
```{r}
data <- read.csv("datatemp.csv")
```
#on inspecte les donnees et on constate :
1. une colonne est apparue en début de fichier
2. les données de dates nécessitent une transformation 

# 1. on supprime donc la colonne inutile:
```{r}
data <- data[,-1]
```

# 2. on s'occupe de mettre les bons formats de date

```{r}
# chargement du package
library(parsedate)
# création de la fonction
convert_week = function(w) {
	ws = paste(w)
	iso = paste0(substring(ws, 1, 4), "-W", substring(ws, 5, 6))
	as.character(parse_iso_8601(iso))
}
# on applique la fonction au dataset
data$date = as.Date(convert_week(data$week))

#on vérifie
str(data$date)

# et on remet dans l'ordre chronologique les dates

data<- data[order(data$date),]

#on vérifie
str(data$date)

```

### On va commencer à regarder nos données ! 

```{r}
plot(x=data$date, y=data$inc, type = 'l')
```

On constate déjà qu'il y a une certaine périodicité dans les données, probablement une incidence peut-être hivernale ? Nous allons tracer seulement une partie des données pour s'en rendre compte

```{r}
plot(x=tail(data$date, 200), y=tail(data$inc,200), type = 'l')
```

Effectivement il semble y avoir une périodicité annuelle avec une augmentation de l'incidence lors du premier semestre avec un pic qui semble hivernal. Nous allons donc découper de façon à avoir l'incidence annuelle !


### Incidence annuelle

```{r}
# on crée la fonction qui permet d'avoir le pic annuel en calculant de septembre à septembre
pic_annuel = function(annee) {
      debut = paste0(annee-1,"-09-01")
      fin = paste0(annee,"-09-01")
      semaines = data$date > debut & data$date <= fin
      sum(data$inc[semaines], na.rm=TRUE)
}

# on choisit les années qui vont bien car le recueil commence en 1990

annees <- 1991:2020

# et ensuite on effectue le calcul 

inc_annuelle = data.frame(annee = annees,
                          incidence = sapply(annees, pic_annuel))
head(inc_annuelle)

```